‏Google DeepMind CEO Demis Hassabis is stepping down
‏مدیرعامل Google DeepMind، دمیس حسابیس، کنار می‌رود

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: حسابیس بنیان‌گذار و معماری بود که هویت تحقیقاتیِ Google DeepMind را شکل داد؛ رفتنش می‌تواند اولویت‌های استراتژیک این آزمایشگاه را عوض کند.
‏💡 نکته: در دوره‌ای که رقابت بین Google، OpenAI و Anthropic به اوج خود رسیده، تغییر رهبری در یکی از مهم‌ترین تیم‌های AI دنیا اتفاق ساده‌ای نیست.
‏👥 برای کی: همه‌ی کسانی که آینده‌ی AI research و تأثیرش بر ecosystem ابزارها و modelها را دنبال می‌کنند.

‏🔗 https://www.axios.com/2026/08/05/google-deepmind-demis-hassabis-ai
‏#ai #LLM

‏@BenFeed

همه دارن از گوگل می‌رن بیرون که 🧐

‏Something is changing in the unit economics of software
‏چیزی دارد در اقتصاد واحدِ نرم‌افزار تغییر می‌کند

‏هوش مصنوعی دارد margin نرم‌افزار را فشرده می‌کند — و این کار به کلِ playbook سنتیِ SaaS دارد ضربه می‌زند.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: وقتی cost of delivery پایین می‌آید، مزیت رقابتیِ شرکت‌های SaaS از «دسترسی به ابزار» به «کیفیتِ داده و workflow» جابه‌جا می‌شود — یعنی مدل کسب‌وکار کلاً باید بازنویسی شود.
‏💡 نکته: فشردگیِ margin در نرم‌افزار همان اتفاقی‌ست که زمانی در صنعت موسیقی و رسانه افتاد؛ فقط این‌بار چرخه خیلی سریع‌تر است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی product یا SaaS architecture کار می‌کنند و به لایه‌ی business هم توجه دارند.

‏🔗 https://nicolo.xyz/something-is-changing-in-the-unit-economics-of-software/
‏#backend #SaaS #ai

‏@BenFeed

‏Beating GPT-5.6 Sol on retrieval with 100x cheaper open models
‏شکست دادن GPT-5.6 Sol در retrieval با مدل‌های open-source صد برابر ارزان‌تر

‏یک مدل ۴ میلیارد پارامتری open-source که با Castform روی Neon آموزش دیده، در دقت retrieval به اندازه‌ی GPT-5.6 Sol عمل می‌کند — با هزینه‌ای صد برابر کمتر.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: نشان می‌دهد که برای workload‌های retrieval لزوماً نیاز به frontier model‌های گران‌قیمت نیست و مدل‌های کوچک‌تر با fine-tuning هدفمند می‌توانند رقیب جدی باشند.
‏💡 نکته: مقیاسِ ۴B پارامتر با post-training تخصصی، رابطه‌ی سنتی «مدل بزرگ‌تر = بهتر» را در حوزه‌ی retrieval به چالش می‌کشد.
‏👥 برای کی: کسانی که روی RAG، search یا بهینه‌سازی هزینه‌ی inference کار می‌کنند.

‏🔗 https://neon.com/blog/how-castform-neon-beats-frontier-models-on-price-and-efficiency
‏#ai #LLM #RAG

‏@BenFeed

‏vLLM: Anatomy of a High-Throughput LLM Inference System
‏کالبدشکافی یک سیستم inference پرتوان برای LLM‌ها

‏از paged attention و continuous batching گرفته تا prefix caching و speculative decoding — این مقاله کل معماری vLLM را زیر ذره‌بین می‌برد و نشان می‌دهد چطور در مقیاس multi-GPU و multi-node به serving پویا می‌رسد.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: هر تیمی که LLM را در production سرو می‌کند باید بداند چرا vLLM این‌قدر سریع‌تر از راه‌حل‌های ساده است؛ این مقاله دقیقاً همان جاهایی را توضیح می‌دهد که مستندات رسمی از آن‌ها رد می‌شوند.
‏💡 نکته: درک paged attention به‌عنوان «virtual memory برای KV cache» یک ذهنیت‌سازِ قوی است که تصمیم‌های معماری را خیلی ملموس‌تر می‌کند.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی inference، serving infrastructure یا بهینه‌سازی LLM کار می‌کنند.

‏🔗 https://www.aleksagordic.com/blog/vllm
‏#ai #LLM #backend

‏@BenFeed

‏Qwen3.8 Max now ranked as the best overall model by agentic index
‏جایگاه اول Qwen3.8 Max در رتبه‌بندی agentic index

‏مقایسه و تحلیل مستقل model‌های هوش مصنوعی و provider‌های API hosting — با benchmark‌هایی روی معیارهای کلیدی از جمله کیفیت، قیمت، سرعت خروجی و latency.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: رسیدن Qwen3.8 Max به رتبه‌ی اول در agentic index نشون می‌ده که رقابت مدل‌های open-weight با غول‌های بسته‌ی این حوزه جدی‌تر از همیشه شده.
‏💡 نکته: رتبه‌بندی agentic با benchmark‌های معمول فرق داره — اینجا reasoning، planning و عملکرد چندمرحله‌ای زیر ذره‌بینه، نه فقط accuracy روی یک task ساده.
‏👥 برای کی: کسانی که روی انتخاب مدل، طراحی agent یا بهینه‌سازی هزینه‌ی inference کار می‌کنند.

‏🔗 https://artificialanalysis.ai/?intelligence=agentic-index
‏#ai #LLM #benchmark

‏@BenFeed

‏Microsoft filings suggest "around 70%" of its AI revenue is on OpenAI
‏اسناد مایکروسافت نشان می‌دهد حدود ۷۰٪ درآمد هوش مصنوعی‌اش وابسته به OpenAI است

‏تحلیل‌های اخیر نشان می‌دهد مایکروسافت برای بخش عمده‌ای از درآمد حوزه‌ی هوش مصنوعی‌اش به شدت به OpenAI متکی است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: تمرکز ۷۰٪ درآمد AI یک شرکت به بزرگی مایکروسافت روی یک شریک واحد، ریسک استراتژیک جدی‌ای است که می‌تواند بر کل اکوسیستم توسعه‌دهندگان Azure و Microsoft 365 اثر بگذارد.
‏💡 نکته: اگر رابطه‌ی مایکروسافت و OpenAI دچار تنش شود — که سابقه دارد — این وابستگی می‌تواند تبدیل به بزرگ‌ترین نقطه‌ی شکست محصولات AI مایکروسافت بشود.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی Azure OpenAI Service یا محصولات Copilot کار می‌کنند.

‏🔗 https://www.windowscentral.com/artificial-intelligence/microsoft-filings-suggest-around-70-percent-of-its-ai-revenue-is-concentrated-entirely-on-openai
‏#ai #OpenAI #Microsoft

‏@BenFeed

‏PrimeIntellect-ai/prime-agent
‏یک agent خودبهبوددهنده برای workflow های کدنویسی و تسک‌های بلندمدت

‏این پروژه یک RLM agent طراحی کرده که هم برای coding workflow‌ها کاربرد دارد، هم برای تسک‌های autonomous طولانی‌مدت — و قابلیت self-improvement دارد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: ترکیب reinforcement learning با agent‌های کدنویسی مسیری جدید برای automation واقعی در توسعه‌ی نرم‌افزار باز می‌کند.
‏💡 نکته: self-improving بودن agent یعنی با هر اجرا بهتر می‌شود — این تفاوت اساسی با assistant‌های ثابت مثل Copilot است.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی agent، coding automation یا LLM-based tooling کار می‌کنند.

‏🔗 https://github.com/PrimeIntellect-ai/prime-agent
‏#ai #LLM #agent

‏@BenFeed

‏pranshuparmar/witr
‏چرا این اجرا می‌شه؟ ردیابی process، port، container و فایل تا ریشه‌شون — CLI + TUI

‏ابزار witr کمک می‌کند هر process، port، container یا فایل را تا منشأِ اجراشدنش ردیابی کنید — هم از طریق CLI و هم با یک رابط TUI.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: دیباگ کردن محیط‌های شلوغ با process‌های تو در تو همیشه دردسر بوده؛ این ابزار مسیر «چه چیزی چه چیزی را راه انداخته» را یک‌جا نشان می‌دهد.
‏💡 نکته: ترکیب CLI و TUI یعنی هم در اسکریپت‌های اتوماسیون قابل استفاده است، هم به‌صورت تعاملی روی سرور.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی backend، DevOps یا دیباگ سرور کار می‌کنند.

‏🔗 https://github.com/pranshuparmar/witr
‏#backend #cli #devops

‏@BenFeed

‏jdx/mise
‏ابزار مدیریت محیط توسعه، متغیرهای محیطی و اجرای task

‏ابزاری برای مدیریت dev tools، env vars و اجرای task — همه در یک جا. پروژه‌ی open-source روی GitHub.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یک جایگزین یکپارچه برای ترکیب ابزارهایی مثل `nvm`، `direnv` و `make` است که چرخه‌ی راه‌اندازی محیط توسعه را ساده‌تر می‌کند.
‏💡 نکته: داشتن task runner و مدیریت version ابزارها در کنار هم یعنی دیگر نیازی به چند فایل config جداگانه ندارید.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های چندزبانه یا تیمی کار می‌کنند و از دردسر onboarding خسته شده‌اند.

‏🔗 https://github.com/jdx/mise
‏#backend #devtools #cli

‏@BenFeed

‏Oracle bans AI-generated code from OpenJDK
‏اوراکل کدهای تولیدشده با هوش مصنوعی را از OpenJDK ممنوع کرد

‏اوراکل مشارکت در OpenJDK با کدهای تولیدشده توسط هوش مصنوعی را ممنوع کرد و دلایلش را ریسک‌های امنیتی و مالکیت معنوی عنوان کرد. توسعه‌دهنده‌ها می‌توانند از LLM‌ها برای debugging و review کد به‌صورت خصوصی استفاده کنند، ولی ارسال کدِ تولیدشده توسط هوش مصنوعی به repository‌ها یا pull request‌ها ممنوع است. این در حالی است که Larry Ellison اخیراً ادعا کرده که مدل‌های هوش مصنوعی حالا کدهای خودِ اوراکل را می‌نویسند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این تناقضِ آشکار بین سیاست داخلی و خارجیِ اوراکل نشان می‌دهد که بحث مالکیت معنوی کدهای تولیدشده با هوش مصنوعی در پروژه‌های open-source جدی‌تر از همیشه شده است.
‏💡 نکته: وقتی یک شرکت هم‌زمان AI-generated code را داخلاً تشویق می‌کند و بیرون ممنوع می‌کند، احتمالاً ریسک قانونیِ IP است که واقعاً نگرانش می‌کند، نه کیفیت کد.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی پروژه‌های open-source مشارکت می‌کنند یا با Java/JVM کار می‌کنند.

‏🔗 https://app.dealroom.co/news/feed/oracle-bans-ai-generated-code-from-openjdk-despite-ellison-s-claim-oracle-isn-t-writing-its-own-code
‏#ai #backend #OpenJDK

‏@BenFeed

‏Making Postgres 300x faster for analytics: batching, operator fusion, and SIMD
‏سریع‌تر کردن Postgres تا ۳۰۰ برابر برای analytics: batching، operator fusion و SIMD

‏هفته‌ی گذشته نسخه‌ی ۰.۲ از pgrust منتشر شد — نسخه‌ای که تمرکزش روی performance بود. این نسخه نسبت به قبلی ۱۰ برابر سریع‌تر است، در benchmark‌های OLTP حدود ۳۰٪ از Postgres جلوتر است، و در Clickbench — همان benchmark تحلیلیِ Clickhouse — عملکردش ۳۰۰ برابر بهتر از Postgres است؛ حتی از Clickhouse هم پیشی گرفته.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: رسیدن به این عدد از یک extension روی Postgres نشان می‌دهد که query engine پیش‌فرض Postgres برای workload‌های analytical چقدر جا برای بهبود داشته و حالا این gap دارد پر می‌شود.
‏💡 نکته: ترکیب سه تکنیکِ batching، operator fusion و SIMD با هم دقیقاً همان مسیری است که columnar database‌های مدرن طی کرده‌اند؛ جالب است که حالا درون Postgres هم می‌شود پیاده‌اش کرد.
‏👥 برای کی: هر کسی که روی database، query optimization یا analytical backend کار می‌کند.

‏🔗 https://malisper.me/how-we-made-postgres-hundreds-of-times-faster-the-query-engine/
‏#backend #database #Postgres

‏@BenFeed

‏anthropics/claude-code-security-review
‏بررسی امنیتی کد با Claude، مستقیم توی GitHub Actions

‏یک GitHub Action مبتنی بر هوش مصنوعی که از Claude برای تحلیل تغییرات کد و شناسایی آسیب‌پذیری‌های امنیتی استفاده می‌کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: یکپارچه‌سازی security review با pipeline‌ی CI/CD بدون نیاز به ابزار جداگانه، سرعت شناسایی آسیب‌پذیری‌ها رو در چرخه‌ی توسعه بالا می‌بره.
‏💡 نکته: وقتی Anthropic خودش یک Action رسمی برای code review منتشر می‌کنه، نشانه‌ی جدی‌شدن کاربرد LLM‌ها در static analysis هست — نه صرفاً یک demo.
‏👥 برای کی: تیم‌هایی که روی DevSecOps، code review خودکار یا امنیت pipeline کار می‌کنند.

‏🔗 https://github.com/anthropics/claude-code-security-review
‏#backend #DevSecOps #LLM

‏@BenFeed

‏The CPU is back: Rethinking the CPU-GPU split for LLM inference
‏بازگشت CPU: بازاندیشی در تقسیم‌کار CPU-GPU برای inference مدل‌های زبانی

‏هوش مصنوعی agentic داره تقسیم‌بندی سنتی بین CPU و GPU برای inference را زیر سوال می‌بره.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: با گسترش workload‌های agentic که latency و هزینه در اولویتن، تکیه‌ی کامل به GPU دیگه همیشه بهینه نیست و CPU inference داره جایگاه جدی پیدا می‌کنه.
‏💡 نکته: انتخاب بین CPU و GPU برای inference به معماری مدل، اندازه‌ی batch و الگوی استفاده بستگی داره — یک پاسخ برای همه وجود نداره.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی deploy مدل‌های LLM، بهینه‌سازی هزینه یا طراحی سیستم‌های agentic کار می‌کنن.

‏🔗 https://www.redhat.com/en/blog/cpu-back-rethinking-cpu-gpu-split-llm-inference
‏#ai #LLM #backend

‏@BenFeed

‏Shopify replaced Redis with MySQL for inventory reservations–and it scaled
‏شاپیفای برای رزرو موجودی از Redis به MySQL مهاجرت کرد — و مقیاس‌پذیری هم حفظ شد

‏با استفاده از `SKIP LOCKED`، کلیدهای اصلی مرکب، و کنترل visibility اتصال، به اهداف مقیاس‌پذیری خود رسیدیم.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: این تصمیم خلافِ جریانِ رایج است — اکثر تیم‌ها برای کاهش فشار از MySQL فرار می‌کنند، ولی Shopify ثابت کرد با طراحی درست می‌توان MySQL را جایگزین Redis کرد و هزینه‌ی عملیاتی را کم کرد.
‏💡 نکته: `SKIP LOCKED` یکی از قابلیت‌های کمترشناخته‌ی MySQL است که برای صف‌های موازی بدون deadlock فوق‌العاده عمل می‌کند — این case study نشان می‌دهد چقدر می‌توان به آن اعتماد کرد.
‏👥 برای کی: توسعه‌دهنده‌های backend که روی سیستم‌های high-throughput، inventory، یا صف‌های کاری کار می‌کنند.

‏🔗 https://shopify.engineering/scaling-inventory-reservations
‏#backend #database #MySQL

‏@BenFeed

‏Software Giant SAP Stops Most Travel and Hiring Because of AI's Soaring Cost
‏غول نرم‌افزاری SAP سفرها و استخدام را به خاطر هزینه‌های سرسام‌آور AI متوقف کرد

‏شرکت SAP اعلام کرده باید «در نحوه‌ی هزینه‌کردن، انضباط داشته باشد» — یعنی فریز کردن استخدام و سفرهای کاری ادامه دارد؛ مگر اینکه موضوع به AI مربوط باشد.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: این تصمیم نشون می‌ده شرکت‌های enterprise دارن بودجه‌ی عملیاتی رو مستقیم به AI منتقل می‌کنن — و این یه تغییر ساختاری در اولویت‌بندی هزینه‌هاست، نه یه صرفه‌جویی موقت.
‏💡 نکته: وقتی یه شرکت ۱۰۰‌هزارنفری استخدام رو فریز می‌کنه ولی برای AI استثنا قائل می‌شه، داره پیامی روشن به بازار کار tech می‌فرسته.
‏👥 برای کی: توسعه‌دهنده‌هایی که دنبال موقعیت شغلی در enterprise software هستن یا روی استراتژی سرمایه‌گذاری AI فکر می‌کنن.

‏🔗 https://www.404media.co/software-giant-sap-stops-most-travel-and-hiring-because-of-ais-soaring-cost/
‏#ai #backend

‏@BenFeed

‏CSS: The bomb inside your inbox
‏CSS: بمبی که داخل صندوق ورودی‌ات منتظرته

‏خیلی از webmail client‌ها CSS غیرموثق رو داخل یک UI موثق render می‌کنن و سعی می‌کنن با CSS sanitization این کار رو امن کنن. اما Gareth Heyes نشون می‌ده که این رویکرد تا چه حد می‌تونه خطرناک باشه.

‏نظر هوش مصنوعی — ⭐ ۸/۱۰
‏🎯 چرا مهمه: هر webmail client‌ای که CSS sanitization داره احتمالاً در معرض این دسته از حملاته، و این یعنی دامنه‌ی آسیب‌پذیری خیلی گسترده‌ست.
‏💡 نکته: CSS به‌ظاهر بی‌خطرترین بخش email rendering‌ه، اما همین اعتماد کاذب دقیقاً چیزیه که مهاجم ازش استفاده می‌کنه.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی email client، content sanitization یا web security کار می‌کنن.

‏🔗 https://portswigger.net/research/css-the-bomb-inside-your-inbox
‏#backend #security #CSS

‏@BenFeed

‏vitali87/code-graph-rag
‏بهترین RAG برای monorepo شما

‏این ابزار با ترکیب knowledge graph و هوش مصنوعی طراحی شده تا query زدن، درک کردن و ویرایش codebase‌های چندزبانه در یک monorepo را ممکن کند.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: RAG روی کد معمولاً با ساختار درختی و وابستگی‌های بین ماژول‌ها کنار نمی‌آد؛ رویکرد graph-based این مشکل رو جدی‌تر می‌گیره.
‏💡 نکته: knowledge graph به جای جستجوی متنیِ صرف، رابطه‌ی بین توابع، کلاس‌ها و ماژول‌ها رو حفظ می‌کنه — یعنی پرسش‌های پیچیده‌تر قابل پاسخ می‌شن.
‏👥 برای کی: توسعه‌دهنده‌هایی که روی monorepo‌های بزرگ یا ابزارهای AI-assisted code navigation کار می‌کنن.

‏🔗 https://github.com/vitali87/code-graph-rag
‏#backend #RAG #LLM

‏@BenFeed

‏Learning more about Claude's mathematical capabilities
‏آشنایی بیشتر با توانایی‌های ریاضی Claude

‏نسخه‌ای منتشرنشده از Claude پیشرفت قابل‌توجهی روی مسئله‌ای مرتبط با فرضیه‌ی Riemann داشته است. این مدل موفق شده کران پایین نسبت صفرهای تابع zeta Riemann که فرضیه را برآورده می‌کنند را از ۴۱.۶٪ به ۶۷.۲٪ افزایش دهد.

‏نظر هوش مصنوعی — ⭐ ۹/۱۰
‏🎯 چرا مهمه: برای اولین بار یک LLM در یک مسئله‌ی ریاضیِ باز و رده‌بالا — که دهه‌ها دست‌نخورده مانده بود — پیشرفت قابل‌تأییدِ کمّی داشته؛ این مرزِ «AI فقط کد می‌نویسد» را می‌شکند.
‏💡 نکته: جهش از ۴۱.۶٪ به ۶۷.۲٪ یعنی بیش از ۲۵ واحد درصد بهبود در یک کران که محققان انسانی سال‌ها روی آن کار کرده‌اند — این عدد را جدی بگیرید.
‏👥 برای کی: توسعه‌دهندگانی که روی reasoning، math agent یا ارزیابی توانایی‌های frontier model کار می‌کنند.

‏🔗 https://www.anthropic.com/research/riemann-zeta
‏#ai #LLM

‏@BenFeed

‏anthropics/skills
‏مخزن عمومی Anthropic برای مهارت‌های agent

‏این repository رسمیِ Anthropic محلی است برای توسعه‌ی Agent Skills — مهارت‌هایی که به agent‌ها اجازه می‌دهند وظایف پیچیده‌تر را انجام دهند. می‌توانید با ساختن اکانت در GitHub در توسعه‌اش مشارکت کنید.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: Anthropic دارد زیرساخت مهارت‌های agent را به‌صورت open-source منتشر می‌کند؛ این یعنی جامعه می‌تواند مستقیماً در شکل‌دادن به رفتار agent‌های Claude نقش داشته باشد.
‏💡 نکته: انتشارِ عمومیِ این repository نشانه‌ی حرکتِ Anthropic به سمت ecosystem باز برای agent skill‌هاست — مشابه آنچه با MCP اتفاق افتاد.
‏👥 برای کی: توسعه‌دهندگانی که روی agent، automation یا یکپارچه‌سازی با Claude API کار می‌کنند.

‏🔗 https://github.com/anthropics/skills
‏#backend #ai #agent

‏@BenFeed

‏Qwen/Qwen3.8-2.4T-A95B
‏معرفی مدل Qwen3 با معماری Mixture of Experts

‏هدف این مسیر پیشبرد و دموکراتیزه‌کردن هوش مصنوعی از طریق open source و علمِ باز است.

‏نظر هوش مصنوعی — ⭐ ۷/۱۰
‏🎯 چرا مهمه: انتشار یک مدل MoE با ۲.۴ تریلیون پارامتر در فضای open source، سقف توانِ مدل‌های در دسترس عموم را بالا می‌برد.
‏💡 نکته: معماری MoE با فعال‌سازیِ ۹۵ میلیارد پارامتر در هر inference، تعادلی بین کیفیت و هزینه‌ی محاسباتی ایجاد می‌کند که ارزش benchmark کردن دارد.
‏👥 برای کی: کسانی که روی fine-tuning، deployment مدل‌های بزرگ یا inference بهینه کار می‌کنند.

‏🔗 https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B
‏#ai #LLM #Qwen

‏@BenFeed